[發明專利]一種對氧、氮氣動態分離的有機框架吸附劑的機器學習方法

在審

• 申請號: 202210675396.4
• 申請日: 2022-06-15
• 公開（公告）號: CN115169220A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 喬智威;李鈺;嚴雅玲;黃曉珊;李惠琳;朱鑫;王邦芬;李樹華
• 申請（專利權）人: 廣州大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F113/26;G06F119/02;G06F119/14
• 代理公司: 廣州高炬知識產權代理有限公司 44376
• 代理人: 劉志敏

本發明公開了一種對氧、氮氣動態分離的有機框架吸附劑的機器學習方法，其包括如下步驟：S1、通過巨正則蒙特卡洛模擬和分子動力學模擬得到MOF的幾何描述符等，建立數據集；S2、將數據集劃分為訓練集、驗證集和測試集，對數據進行歸一化處理；S3、運用訓練集迭代地訓練機器學習模型，直至模型預測MOF材料的氧氣氮氣動態吸附分離性能的準確程度滿足精度要求；S4、將測試集中的描述符參數作為模型輸入，利用訓練好的模型預測測試集數據對應的MOF的氧氣氮氣動態吸附分離性能指標，以五折交叉驗證結果的平均值作為模型精度的估計值，定量描述模型對不同描述符的預測能力。本發明篩選高性能MOF高效，能節省金錢與人力資源，有助于高性能MOF材料的篩選和研發進程。

技術領域

本發明涉及計算化學與納米復合催化材料技術領域，具體涉及一種對氧、氮氣動態分離的有機框架吸附劑的機器學習方法。

背景技術

在室溫下將氧氣和氮氣分離仍然是一個巨大的挑戰。低溫蒸餾(又稱低溫分離)是工業上傳統的O₂/N₂分離方法。它已成功地用于為各種碳氫化合物原料氣化提供氧氣，以生產用于生產燃料、化學品和其他昂貴產品的合成氣體。遺憾的是，雖然這種方法生產的產品純度很高，但它相當耗能，而且越來越復雜的變壓吸附(PSA)的發展顯示出巨大的潛力來取代它。高純度工業氮氣或氧氣的生產對其在空氣分離中的更廣泛應用至關重要。在變壓吸附分離過程中，高效吸附劑的選擇是實現高效分離過程的關鍵，開發高效的常溫O₂/N₂分離吸附劑引起了人們的極大興趣。沸石分子篩、分子篩和活性碳是O₂/N₂分離常用的多孔吸附材料。然而，這些傳統吸附劑的主要缺點是再生能力差，吸附容量相對較低。在這方面，具有潛在有用性質的金屬有機骨架(MOF)可以提供這一領域的突破。

MOF作為一類新型的多孔材料，是一種由金屬節點、有機鏈接以不同的拓撲結構組合的有機-無機雜化材料，具有網絡骨架和獨特的孔結構。它們具有各種理想的特性，包括高孔隙率、可調節的結構和易于功能化。由于其優異的性能，MOF材料被廣泛應用于氣體分離與吸附、儲存、催化、傳感、藥物輸送、化學戰劑等領域，尤其是在吸附分離方面，包括CO₂捕獲、O₂凈化、輕烴的分離、惰性氣體的分離、用于能源的氣體(CH₄、H₂和C₂H₂)的儲存以及一些氣態空氣污染物(NH₃、NO₂和SO₂)的去除。而利用MOF實現氧氮分離引起了廣泛的關注，因此，對MOF材料定量構效關系進行深入的研究，探索其結構與性能的關系，將對開發具有更高吸附容量和選擇性的新型MOF吸附劑有著重要的意義。

隨著被合成的MOF數量不斷增加，從龐大的MOF數據庫中發現對于不同組分氣體具有高性能的MOF成為了一個巨大的挑戰。通過傳統實驗試差具有一定的盲目性，過程繁瑣，需要消耗大量的時間、金錢與人力資源，且某些試劑的使用可能會對實驗人員有一定的危害。

為了加快研究進程，基于分子模擬(MS)和機器學習(ML)的高通量計算篩選(HTCS)方法被應用于尋找具有特定功能的新的MOF。而分子模擬中的巨正則蒙特卡洛模擬方法和分子動力學被用于計算模擬MOF的性能。這兩種方法可實現大量MOF對不同氣體組分吸附性能的有效評價，從而快速發現最佳目標材料，并揭示其構效關系。雖然這兩種方法可以加速材料的發現，但也存在計算量大、計算速度較慢等缺點。面對日益增加的MOF數量，僅靠以上方法已經很難滿足開發新材料的需要。因此，開發一種更加快速高效、且耗費資源較少的篩選方法十分緊迫。

發明內容

本發明的目的在于提供一種對氧、氮氣動態分離的有機框架吸附劑的機器學習方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種對氧、氮氣動態分離的有機框架吸附劑的機器學習方法，包括以下步驟：